Digital pathology36 유전자 및 CD(Cluster of Differentiation) 정리 주요 유전자/단백질 정리BAP1(BRCA1-Associated Protein 1): 단백질에 붙은 ‘없애’ 표시(ubiquitin)를 떼줘서 단백질을 오래 살게 하거나, 유전자 발현 조절에 관여하는 종양억제(tumor suppressor) 계열 기능. (이 논문에서는 Figure4에서 BAP1이 없어질수록, 종피종일수록 종양세포 옆에 CD8-T cell이 많았다.) Cluster of Differentiation 정리필요 이유: 면역세포 표면에 붙어 있는 단백질을 표기하는 국제 표준 이름. 각 T세포마다 표면에 붙은 단백질이 서로 달라서, 구분하여 명명하는게 필요했기 때문.확인하는 방법:IHC: 일반적인 방법에 해당. FFPE블록에서 슬라이드을 제작하고, IHC 항체를 이용해서 확인함.Flow cytom.. 2025. 11. 10. Controllable Latent Space Augmentation for Digital Pathology MotivationFeature-level augmentation방법은 변환과정을 직접적으로 처리하기 어려움Generative model based augmentation은 메모리랑 시간이 너무 많이듬 Method$\mathcal{E}$: feature extractor$\mathbf{z} \in \mathbb{R}^{d}$: feature embedding$K$ : 총 augmentation transforms의 숫자$T_{K}$: 총 augmentation transform$(T_{k}, \alpha_{k})$: transform과 하이퍼파라미터$\tau$: transform의 순차 적용함수. $\tau(x; (T_{k}, \alpha_{k})^{K}_{k=1})$$\rho$: $\tau$을 적용한것.. 2025. 9. 16. ReMix: A General and EfficientFramework for Multiple InstanceLearning Based Whole Slide ImageClassification MICCAI 2022 Motivation메모리 및 연산 비효율성 문제: Bag내의 multiple instance인 점으로 학습속도 느림. 패치수도 달라서 배치연산도 안됨.데이터 다양성부족: 딥러닝은 보통 다양한 샘플에서 비롯되는데, 거의 활용안됨. 라벨을 보존하면서 의미있는 증강필요. 주요가정WSI 내의패치들이 거의 반복적, 유사, 중프로토타입으로 표현이 어느정도 가능할것 방법론Reduce: 프로토타입(대표)패치를 정하는 방법K-means clustering을 진행하여, Centroid을 구함.해당 클러스터에 속한(=맴버십)인 패치의 임베딩의 공분산을 구함하나의 multivariate guassian mixture모델로 고려(N(중심점, 공분산)).Mix: 데이터의 다양성을 위한 특징수준에서의 증강방법.. 2025. 9. 4. PathGen-1.6M MotivationImage-test dataset의 규모가 너무 적음: 웹사이트, 책에서 수집된데이터로 스케일을 키우는건 한정적.Image quality:압축하는 과정 때문에 이미지 퀄리티가 저하.image-text 의 퀄리티: text에 의미없는 정보 꽤 있음. 데이터 구성큰 구성은 1)Agent Model 준비과 2) 데이터구성 파이프라인으로 나뉨 Agent model생성하기: 3개의 Agent을 생PathGen-CLIP-L: 문제점(병리트고하된 모델이 아님)PathCAP, Quilt-1M, OpenPath 데이터를 합쳐서 700K의 이미지의 데이터셋을 구성CLIP을 이용해서 병리에 특화된 CLIP모델을 생성. Description LLM Agent: 기존문제점(기존 캡셔닝은 너무 단순한 수준) .. 2025. 8. 27. Yottixel, SISH, RCCNet PreliminaryCBIR(content-based image retrieval): 이미지 내용기반 검색 방법. 주로 WSI을 패치화후 집계한 특징을 이용mMV@k (majority top-k accuracy): 상위 k개의 검색결과에서 가장 많이 등장한 라벨이, 쿼리패치 라벨과 정답이 일치하는지를 측 주요 방법론Yottixel (2019, MIA)모자이크 생성입력: 하나의 WSI 패치화: 저해상도 조직 영역만 패치화 진행(5x)RGB 히스토그램계산: 각 패치의 모든 RGB histogram 계산컬러 기반 클러스터링: 2.에서 계산한 RGB 히스토그램을 벡터로 고려하여 클러스터링을 진행. (색상기반 클러스터, k=9)위치 내부클러스터링: 3.에서 계산한 각 클러스터 내부에서도 위치 기반으로 클러스터링.. 2025. 7. 23. Similar image search for histopathology: SMILY Similar Medical Images Like Yours (SMILY)방법론임베딩: CNN을 이용해서, 고정길이 벡터로 만듬아키텍처: Deep ranking network트리플렛(Triplet)기반:라벨도 주어짐(reference image) second image(I+), third image(다른클레스, I-)각 세개의 벡터의 쌍의 거리를 연산: D(I, I+) 평가방법Annotation기반 정량평가: 전문의가 사전에 패치 단위로 부위를 라벨하고, 검색을 한다음에 Top-5 accuray을 확인Prospective study (전향적 실험): 랜덤 검색결과와 SMILY 검색결과를 블라인드로 평가동일한 조직학적 특징인지? 동일한 장기(organ)에서 나온건지? 동일한 gradining인지 요약=>.. 2025. 7. 21. 이전 1 2 3 4 ··· 6 다음
